Klasifikasi Sampah Berdasarkan Citra Digital Menggunakan Algoritma Support Vector Machine
DOI:
https://doi.org/10.69693/ijmst.v4i3.12704Keywords:
Klasifikasi Sampah, Citra Digital, Ekstraksi Fitur, Support Vector Machine, Studi AblasiAbstract
Pengelolaan sampah yang kurang optimal, ditambah lambatnya proses pemilahan manual, masih menjadi tantangan dalam menjaga kebersihan lingkungan sehingga dibutuhkan sistem klasifikasi otomatis berbasis citra digital. Penelitian ini bertujuan mengukur sejauh mana algoritma Support Vector Machine (SVM) dapat meningkatkan akurasi klasifikasi sampah ke dalam kategori organik, anorganik, dan bahan berbahaya beracun (B3), serta menguji ketahanannya terhadap variasi kondisi pencahayaan, latar belakang, dan sudut pengambilan citra. Penelitian menggunakan 1.500 citra sampah (hasil augmentasi dari 900 citra asli) yang dibagi secara stratifikasi menjadi data latih, validasi, dan uji. Citra melalui tahap pra-pemrosesan berupa penyeragaman ukuran, normalisasi, dan reduksi derau, kemudian diekstraksi menggunakan Histogram of Oriented Gradient (HOG), Local Binary Pattern (LBP), dan Color Histogram. Delapan skenario studi ablasi digunakan untuk menguji kontribusi tiap komponen terhadap performa model SVM dengan kernel Linear, Polynomial, dan Radial Basis Function (RBF). Hasil penelitian menunjukkan bahwa kombinasi pra-pemrosesan, augmentasi data, fitur HOG dan Color Histogram, serta kernel RBF menghasilkan performa terbaik dengan akurasi, presisi, recall, dan F1-score masing-masing sebesar 98,4%, meningkat 1,9 poin persentase dari baseline sebesar 96,5%, dengan waktu inferensi rata-rata 19,4 milidetik per citra. Model juga tetap stabil dengan akurasi di atas 96,5% pada berbagai kondisi pencahayaan, latar belakang, dan sudut pengambilan citra. Dapat disimpulkan bahwa algoritma SVM efektif dan efisien digunakan sebagai metode klasifikasi sampah berbasis citra digital.
References
1. Abu-Qdais, H., Shatnawi, N., & Alzubi, J. (2025). Intelligent system for solid waste classification using combination of image processing and machine learning models. Journal of Experimental & Theoretical Artificial Intelligence. https://doi.org/10.1080/0952813X.2024.2323043
2. Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20, 273–297. https://doi.org/10.1007/BF00994018
3. Dalal, N., & Triggs, B. (2005). Histograms of oriented gradients for human detection. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1, 886–893. https://doi.org/10.1109/CVPR.2005.177
4. Intam, R. N. J. S., Raihan, A., Alfajri, M., & Kaswar, A. B. (2024). Sistem klasifikasi jenis sampah berdasarkan kombinasi fitur warna dan tekstur menggunakan Artificial Neural Network berbasis pengolahan citra digital. Jurnal Teknologi Informasi dan Ilmu Komputer, 11(2), 411–420. https://doi.org/10.25126/jtiik.2024118330
5. Naufal, M. F. (2021). Analisis perbandingan algoritma SVM, KNN, dan CNN untuk klasifikasi citra cuaca. Jurnal Teknologi Informasi dan Ilmu Komputer, 8(2), 311–317. https://doi.org/10.25126/jtiik.2021824553
6. Nisa, I. Z., Endah, S. N., Sasongko, P. S., Kusumaningrum, R., Khadijah, K., & Rismiyati, R. (2022). Klasifikasi citra sampah menggunakan Support Vector Machine dengan ekstraksi fitur Gray Level Co-Occurrence Matrix dan Color Moments. Jurnal Teknologi Informasi dan Ilmu Komputer, 9(5), 921–930. https://doi.org/10.25126/jtiik.2022954868
7. Nnamoko, N., Barrowclough, J., & Procter, J. (2022). Solid waste image classification using deep convolutional neural network. Infrastructures, 7(4), 47. https://doi.org/10.3390/infrastructures7040047
8. Nugroho, A. S., Umar, R., & Fadlil, A. (2021). Klasifikasi botol plastik menggunakan multiclass Support Vector Machine. Jurnal Khatulistiwa Informatika, 9(2), 79–85. https://doi.org/10.31294/jki.v9i2.11058
9. Ojala, T., Pietikäinen, M., & Mäenpää, T. (2002). Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(7), 971–987. https://doi.org/10.1109/TPAMI.2002.1017623
10. Rasidi, A. I., Pasaribu, Y. A. H., Ziqri, A., & Adhinata, F. D. (2022). Klasifikasi sampah organik dan non-organik menggunakan Convolutional Neural Network. Jurnal Teknik Informatika dan Sistem Informasi, 8(1), 142–149. https://doi.org/10.28932/jutisi.v8i1.4314
11. Sihananto, A. N., Al Haromainy, M. M., & Sari, A. P. (2023). Pemilahan jenis sampah menggunakan algoritma CNN. Scan Jurnal Teknologi Informasi dan Komunikasi, 17(3). https://doi.org/10.33005/scan.v17i3.3523
12. Sistem Informasi Pengelolaan Sampah Nasional. (2024). Data timbulan sampah nasional. Kementerian Lingkungan Hidup dan Kehutanan. https://sipsn.menlhk.go.id/sipsn/
13. Wong, J. (2022). Aplikasi klasifikasi sampah organik dan non organik dengan metode GLCM dan LS-SVM. Bulletin of Computer Science Research, 3(1), 83–89. https://doi.org/10.47065/bulletincsr.v3i1.198
14. Zhang, Q., Yang, Q., Zhang, X., Bao, Q., Su, J., & Liu, X. (2021). Waste image classification based on transfer learning and convolutional neural network. Waste Management, 135, 150–157. https://doi.org/10.1016/j.wasman.2021.08.038
15. Zia, H., Jawaid, M. U., Fatima, H. S., Hassan, I. U., Hussain, A., & Khan, M. A. (2022). Plastic waste management through the development of a low-cost and lightweight deep learning-based reverse vending machine. Recycling, 7(5), 70. https://doi.org/10.3390/recycling7050070
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Indonesian Journal of Multidisciplinary on Social and Technology
This work is licensed under a Creative Commons Attribution 4.0 International License.
